Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

Cycling Segments Multimodal Analysis and Classification Using Neural Networks

Identifikátory výsledku

  • Kód výsledku v IS VaVaI

    <a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F70883521%3A28140%2F17%3A63516820" target="_blank" >RIV/70883521:28140/17:63516820 - isvavai.cz</a>

  • Nalezeny alternativní kódy

    RIV/68407700:21730/17:00318548 RIV/00216208:11150/17:10367933 RIV/60461373:22340/17:43903861

  • Výsledek na webu

    <a href="http://www.mdpi.com/2076-3417/7/6/581/xml" target="_blank" >http://www.mdpi.com/2076-3417/7/6/581/xml</a>

  • DOI - Digital Object Identifier

    <a href="http://dx.doi.org/10.3390/app7060581" target="_blank" >10.3390/app7060581</a>

Alternativní jazyky

  • Jazyk výsledku

    angličtina

  • Název v původním jazyce

    Cycling Segments Multimodal Analysis and Classification Using Neural Networks

  • Popis výsledku v původním jazyce

    This paper presents methodology for the processing of GPS and heart rate signals acquired during long-term physical activities. The data analysed include geo-positioning and heart rate multichannel signals recorded for 272.2 h of cycling across the Andes mountains over a 5694-km long expedition. The proposed computational methods include multimodal data de-noising, visualization, and analysis in order to determine specific biomedical features. The results include the correspondence between the heart rate and slope for downhill and uphill cycling and the mean heart rate evolution on flat segments: a regression coefficient of -0.014 bpm/km related to altitude. The classification accuracy of selected cycling features by neural networks, support vector machine, and k-nearest neighbours methods is between 91.3% and 98.6%. The proposed methods allow the analysis of data during physical activities, enabling an efficient human-machine interaction.

  • Název v anglickém jazyce

    Cycling Segments Multimodal Analysis and Classification Using Neural Networks

  • Popis výsledku anglicky

    This paper presents methodology for the processing of GPS and heart rate signals acquired during long-term physical activities. The data analysed include geo-positioning and heart rate multichannel signals recorded for 272.2 h of cycling across the Andes mountains over a 5694-km long expedition. The proposed computational methods include multimodal data de-noising, visualization, and analysis in order to determine specific biomedical features. The results include the correspondence between the heart rate and slope for downhill and uphill cycling and the mean heart rate evolution on flat segments: a regression coefficient of -0.014 bpm/km related to altitude. The classification accuracy of selected cycling features by neural networks, support vector machine, and k-nearest neighbours methods is between 91.3% and 98.6%. The proposed methods allow the analysis of data during physical activities, enabling an efficient human-machine interaction.

Klasifikace

  • Druh

    J<sub>imp</sub> - Článek v periodiku v databázi Web of Science

  • CEP obor

  • OECD FORD obor

    10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Návaznosti výsledku

  • Projekt

  • Návaznosti

    V - Vyzkumna aktivita podporovana z jinych verejnych zdroju

Ostatní

  • Rok uplatnění

    2017

  • Kód důvěrnosti údajů

    S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Údaje specifické pro druh výsledku

  • Název periodika

    Applied Sciences-Basel

  • ISSN

    2076-3417

  • e-ISSN

  • Svazek periodika

    7

  • Číslo periodika v rámci svazku

    6

  • Stát vydavatele periodika

    CH - Švýcarská konfederace

  • Počet stran výsledku

    11

  • Strana od-do

    1-11

  • Kód UT WoS článku

    000404449800057

  • EID výsledku v databázi Scopus

    2-s2.0-85020253439